[發明專利]一種卷積神經網絡目標分類方法

有效

• 申請號: 201911040260.0
• 申請日: 2019-10-29
• 公開（公告）號: CN110880018B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 焦繼超;鄧中亮;劉煒倫;莫耀凱;邱德武;焦劍;崔巖松
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 丁蕓;馬敬

本申請實施例提供了一種卷積神經網絡目標分類方法，通過在模型訓練過程中引入一個隨目標類特征中心向量與各子類特征中心向量變化的動態加角余量，實現了通過計算樣本圖像的特征向量與目標類特征中心向量夾角的第一余弦值向量后，根據動態加角余量以及目標類特征中心向量間的夾角，通過第二預設公式得到第二夾角，通過對第二夾角求余弦，得到第二余弦值，并利用第二余弦值替換第一余弦值向量中特征向量與目標類特征中心向量間的夾角的余弦值，得到第二余弦值向量，根據第二余弦值向量計算模型的損失對模型訓練過程進行指導，從而有效降低訓練數據集子類特征中心均勻分布的程度。

技術領域

本申請涉及信息技術領域，特別是涉及一種卷積神經網絡目標分類方法。

背景技術

目前，神經網絡模型在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，尤其在圖像分類方面，已經在我們周圍有著廣泛的應用，例如，數字識別，衣物分類，人臉識別等。而在神經網絡中卷積神經網絡對于圖像分類具有良好的效果，尤其在人臉識別方面卷積神經網絡有著廣泛用的應用。在基于卷積神經網絡的人臉識別系統中，損失函數作為判斷所訓練神經網絡和訓練數據集間契合程度的標準，對人臉識別的實際效果有著重要影響。

ArcFace作為目前常用的損失函數，ArcFace在損失函數中引入加角余量，可以增大類間間距，當加角余量取較大值時，加角余量約束也會減小類內距離，從而使人臉識別的效果得到提升。而為了達到好的訓練效果，損失函數所取的加角余量較大，從而導致訓練數據集所有類的特征中心會遠離，特征中心會趨向于均勻分布，這與實際的特征中心在特征空間上散亂分布的情況不符，存在對訓練數據集的過擬合問題，影響識別的效果。

發明內容

本申請實施例的目的在于提供一種卷積神經網絡目標分類方法，以實現解決特征中心距離變大導致趨向于均勻分布的問題。具體技術方案如下：

第一方面，本申請實施例提供了一種卷積神經網絡目標分類方法，應用于模型訓練過程，包括：

步驟A，獲取樣本圖像的特征向量；

步驟B，計算樣本圖像的特征向量與各子類特征中心向量間的第一余弦值向量，其中，第一余弦值向量包括樣本圖像的特征向量與各子類特征中心向量間的夾角的余弦值；

步驟C，根據第一余弦值向量，確定第一余弦值向量的第一夾角，其中，第一夾角為樣本圖像的特征向量與目標類特征中心向量間的夾角，目標類特征中心向量為樣本圖像對應的正確分類所對應的子類特征中心向量；

步驟D，分別計算目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過第一預設公式得到動態加角余量；

步驟E，根據動態加角余量與第一夾角，通過第二預設公式得到第二夾角，通過對第二夾角求余弦，得到第二余弦值，并利用第二余弦值替換第一余弦值向量中特征向量與目標類特征中心向量間的夾角的余弦值，得到第二余弦值向量；

步驟F，將第二余弦值向量輸入模型的歸一化層，通過歸一化層獲取樣本圖像的特征分布概率；

步驟G，通過預設損失函數，根據特征分布概率，計算模型的損失；

步驟H，根據模型的損失，對模型的參數進行調整；

步驟I，重復上述步驟A至步驟H，直至模型的損失小于預設率閾值時，得到訓練好的模型。

可選的，分別計算目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過第一預設公式得到動態加角余量，包括：

分別計算目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過公式：